【深度学习篇】--神经网络中的池化层和CNN架构模型

一、前述 本文讲述池化层和经典神经网络中的架构模型。 二、池化Pooling 1、目标 降采样subsample，shrink（浓缩），减少计算负荷，减少内存使用，参数数量减少（也可防止过拟合） 减少输入图片大小（降低了图片的质量）也使得神经网络可以经受一点图片平移，不受位置的影响（池化后相当于把图片上的点平移了） 正如卷积神经网络一样，在池化层中的每个神经元被连接到上面一层输出的神经元，只对应一

>>阅读原文<<